事件驱动的家居智能照明方法与系统与流程

本发明涉及一种家居智能照明方法，具体涉及一种事件驱动型且实现智能控制的家用照明方法，属于智能家居技术领域。

背景技术：

家用照明是人们日常生活中最常见的一个情景，但是在人的日常生活中，忘记关灯的状况时有发生，造成了不必要的能源浪费，另外，人们希望可以在不同的生活场景下使用不同的灯光，但这个需求并没有很好的得到满足。因此，需要一种智能的照明方法来为人们创造一种节约型、舒适型的照明环境。

但是就目前的家用照明情况，实现智能照明仍然存在着许多的困难。在普通家庭中，由于家庭成员不同、家庭功能分区不同、人员活动不同，不同的场景的最优灯光不同，场景的多样性与复杂性，使得场景识别时错误率较高，进而使得灯光环境的变化不尽如人意。

就目前的技术来看，一方面对家庭照明场景分类较少，只具有简单的分类，没有对人们日常生活的普通场景进行详细划分，使得照明舒适性大幅下降；另一方面，目前只对灯进行开与关的自动控制，不能根据场景的不同来改变照度、色温等因素。所以有必要开发新型的家居智能照明方法，做到家庭照明系统的智能控制，进而可以节约家庭用电，为人们提供一个安全舒适的照明环境，提高生活质量。

技术实现要素：

为克服现有技术中的不足，本发明的目的在于提供的一种事件驱动的家居智能照明方法与系统。

为实现上述目的，本发明采用下述技术方案：

本发明提供了一种事件驱动的家居智能照明方法，包括以下步骤：

步骤1：采集家庭照明信息，并对信息进行标注，构建历史数据库和决策表；

步骤2：利用历史数据库内的数据构建事件识别模型、人员光照需求模型；

步骤3：实时数据采集后，与已建立的模型相匹配，识别出相应的生活场景，给出最佳的照明环境。

优选的，所述步骤1包括：

步骤11：在不同的家庭照明场所，使用摄像头采集图像信息，使用热释电红外传感器采集普通数据，使用照度传感器采集每个场景的照度，使用色温传感器采集每个场景的色温；

步骤12：对采集到的数据和图像，对不同成员在不同时间各场所所进行活动进行标注；

步骤13：利用信息采集与标注的信息建立历史图像数据库和决策表。

优选的，所述步骤2中构建事件识别模型采用深度学习的方法，基于深度学习的图像识别的策略为：首先对图像进行预处理；然后将处理好的图像输入所设计的神经网络进行训练，通过前向传播算法和反向传播算法不断使代价函数得到优化，直至取到最小值，更新权值后，得到一个较优的识别模型；最后利用此模型对实时图像进行识别分类。

优选的，所述步骤2中构建人员光照需求模型采用粗糙集方法，基于粗糙集的规则提取策略为：设x为条件属性集，y为决策属性集，ai，bi分别为集合x,y中各元素的属性。当采集到的信息符合ai或者bi所规定的条件时，则存入相应的集合中。决策规则为：条件→决策；

对于采用图像识别的场景，构建第一类照度需求模型，其结构为：用户+时间+活动+场所→照度+色温。所得的人员照度需求模型具有下述形式：如果人员i在时间段j位于场所k在从事活动l，那么最佳照度为p，最佳色温为c,其中i为人员中的某一位，j为全天时间的某一个时间段，k为家庭场所中的某一个，l为活动中的某一个，p为某一个照度值，c为某一个色温值。

对于热释电传感器识别的场景，构建第二类照度需求模型，其结构为：时间+场所→照度+色温。所得的人员照度需求模型具有下述形式：如果人员i在时间段j位于场所，那么最佳照度为p，最佳色温为c。

本发明还提供一种事件驱动的家居智能照明系统，用于执行上述的事件驱动的家居智能照明方法，其包括：

信息采集与标注模块，用于执行步骤1的方法；

人员光照需求与场景识别模块，用于执行步骤2的方法；

事件识别与处理模块，用于执行步骤3的方法。

由于采用上述技术方案，本发明的有益效果是：

(1)家庭照明环境会根据不同的场景进行变化，使得家居生活更加智能化。可以根据家庭成员个人喜好、生活习性来调节灯光的色温、亮度，使得此照明系统更加的个性化、人性化。

(2)采用摄像头、热释电红外传感器、照度传感器同时采集数据，数据多样且全面，尤其是图像信息的采集，生活场景分类更加细致，使得每个生活场景都可以获得最合适的照明环境。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明事件驱动的家居智能照明方法总流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

实施例1

如图1所示，一种事件驱动的家居智能照明方法及系统。

本发明通过采集家庭照明信息构建历史数据库，利用历史数据库内的数据构建事件识别模型、人员光照需求模型，实时数据采集后，与已建立的模型相匹配，进而实现了在不同场景内灯光的智能控制，保证了家庭照明系统识别复杂场景的准确性，提高了人们的生活质量。

本发明主要有三个核心模块构成，分别为信息采集与标注模块、人员光照需求与场景识别模块、事件识别与处理模块。信息采集与标注模块主要是采集家庭照明信息，并对信息进行标注，构建历史数据库和决策表；人员光照需求与场景识别模块主要是对采集图像进行训练，构建场景识别模型，利用粗糙集规则提取，构建人员光照需求模型；事件识别与处理模块主要是根据实时信息，识别出相应的生活场景，给出最佳的照明环境。

各个核心模块具体功能如下：

1.信息采集与标注模块

本模块由信息采集、信息标注、决策表的构建三部分组成。本模块与事件识别模型构建模块、人员照度需求模型构建模块、模型匹配与处理模块相互通信。

(1)在客厅、餐厅活动人口多的公众场合使用摄像头采集图像信息，使用热释电红外传感器采集普通数据(室内是否有人员存在)；对于卧室、卫生间等隐私性较强且活动人口较少的场合只需用热释电红外传感器采集是否有人员活动。同时使用照度传感器采集每个场景的照度，使用色温传感器采集每个场景的色温。

具体的：公众场合，例如客厅，餐厅等，装有摄像头，图像、热释电数据、色温以及照度均需要采集；私密性空间，例如卧室，卫生间等，未安装有摄像头，只需采集热释电数据、色温以及照度。

(2)对采集到的数据和图像，对不同成员在不同时间各场所所进行活动进行标注。

该步骤中人为标注图像、数据以及用户、时间、场所和活动，以便作为训练样本进行图像的深度学习。

时间：将全天分为不同的时间段，以十分钟为一个时间间隔。

用户：家庭中不同的家庭成员。

场所包括家庭中不同的功能分区。如客厅、书房、主卧、厨房、卫生间等。

活动包括看书、看电视、做作业、聚餐等。

(3)利用信息采集与标注的信息建立历史图像数据库和决策表。

反映不同场景下不同灯光环境的决策表示例如表1所示：

表1决策表

2.人员光照需求与场景识别模块

本模块主要是通过四要素建立人员照度需求模型，确定不同场景下的最优灯光环境。本模块与信息采集与标注模块、事件识别模型构建模块、模型匹配与处理模块相互通信。

基于历史数据库内已标注的图像数据，采用深度学习的方法，构建常见场景识别模型。

基于深度学习的图像识别的策略为：首先对图像进行预处理；然后将处理好的图像输入所设计的神经网络(卷积神经网络是深度模型中的机器学习方法之一，适应性强，主要用于图像分类，现已具有该技术)进行训练，通过前向传播算法和反向传播算法不断使代价函数(代价函数是用来找到最优解的目的函数，此例中不断优化代价函数目的是加强卷及神经网络的分类性能，此技术现已具有)得到优化，直至取到最小值，更新权值(权值就是指这个指标在整个分析过程中所占的重要程度)后，得到一个较优的识别模型；最后利用此模型对实时图像进行识别分类。

根据决策表，采用粗糙集方法，构建人员光照需求模型。

基于粗糙集的规则提取策略为：设x为条件属性集，y为决策属性集，ai，bi分别为集合x,y中各元素的属性。当采集到的信息符合ai或者bi所规定的条件时，则存入相应的集合中。决策规则为：条件→决策(调整到条件所对应的色温值与照度值)。

对于采用图像识别的场景，构建第一类照度需求模型，其结构为：用户+时间+活动+场所→照度+色温。所得的人员照度需求模型具有下述形式：如果人员i在时间段j位于场所k在从事活动l，那么最佳照度为p，最佳色温为c,其中i为人员中的某一位，j为全天时间的某一个时间段，k为家庭场所中的某一个，l为活动中的某一个，p为某一个照度值，c为某一个色温值。

对于热释电传感器识别的场景，构建第二类照度需求模型，其结构为：时间+场所→照度+色温。所得的人员照度需求模型具有下述形式：如果人员i在时间段j位于场所，那么最佳照度为p，最佳色温为c。

3.事件识别与处理模块

本模块主要通过对实时数据与相对应的模型进行匹配，发出动作指令，进而得到最佳的照明环境。本模块与信息采集与标注模块、事件识别模型构建模块、人员照度需求模型构建模块相互通信。

对于未安装摄像头采集图像的房间，使用热释电传感器进行信息采集，判断室内是否有人员活动，调用第二类照度需求模型，给出最佳照度与色温值。

对于安装摄像头的房间，根据采集到的图像，调用场景识别模型，进行场景判断，结合热释电传感器所采集信息，调用第一类照度需求模型，给出最佳照度与色温值。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。